Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
A Computable Phenotype Improves Cohort Ascertainment in a Pediatric Pulmonary Hypertension Registry
2017·36 Zitationen·The Journal of PediatricsOpen Access
Volltext beim Verlag öffnen36
Zitationen
26
Autoren
2017
Jahr
Abstract
Für dieses Paper ist kein Abstract in der Datenbank hinterlegt.
Abstract beim Verlag einsehenÄhnliche Arbeiten
"Why Should I Trust You?"
2016 · 14.801 Zit.
Coding Algorithms for Defining Comorbidities in ICD-9-CM and ICD-10 Administrative Data
2005 · 10.558 Zit.
A Comprehensive Survey on Graph Neural Networks
2020 · 8.993 Zit.
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead
2019 · 8.605 Zit.
High-performance medicine: the convergence of human and artificial intelligence
2018 · 8.133 Zit.
Autoren
- Alon Geva
- Jessica Gronsbell
- Tianxi Cai
- Tianrun Cai
- Shawn N. Murphy
- Jessica C. Lyons
- Michelle M. Heinz
- Marc D. Natter
- Nandan Patibandla
- Jonathan Bickel
- Mary P. Mullen
- Kenneth D. Mandl
- Steven H. Abman
- Ian Adatia
- Eric D. Austin
- Jeffrey A. Feinstein
- Jeff Fineman
- Brian D. Hanna
- Rachel K. Hopper
- D. Dunbar Ivy
- Roberta L. Keller
- Usha Krishnan
- Thomas J. Kulik
- Mary P. Mullen
- Usha Raj
- Erika B. Rosenzweig
Institutionen
Themen
Machine Learning in HealthcareElectronic Health Records SystemsPulmonary Hypertension Research and Treatments